【正文】 mc = 0。 } or2 = 0。 } or = sqrt(or2)。j++) { oc2 = oc2 + (j m。 for(j = 0。i 8。j 8。i 8。i 8。 } } for(j = 0。i++) { GLCM_one_i[i] = 0。j++) { *CONValue = *CONValue + (i j)*(i j)*DistGLCM_one[i][j]。 for(i = 0。i++) for(j = 0。j++) { *SimiValue = *SimiValue + abs(i j)*DistGLCM_one[i][j]。 26 for(i = 0。i++) for(j = 0。j++) { *VariValue = *VariValue + pow((i *MeanValue),2)*DistGLCM_one[i][j]。 for(i = 0。i++) for(j = 0。j++) { DistGLCM_one[i][j] = DistGLCM[i][j]/SumDist。 25 } for(i = 0。i 8。 x2 = PixelValueX2/32。PixelValueX1)。i 。j++) { DistGLCM[i][j] = 1。 for(i = 0。 23 參 考 文 獻(xiàn) Vapnik V. The Nature of Statistical Learning Theory [ M ] .New York: Springer Verlag, 1995. Cortes C ,Vapnik V. Support vector works [ J ] . MachineLearning , 1995 ,20 (3) :273 297. 李毅 , 阮秋琦 . 應(yīng)用支持向量機(jī)的紋理分類 [ J ] . 通信學(xué)報(bào) ,20xx, 26( 1) :14119. 薄華 , 馬縛龍 , 焦李成 . 圖像紋理的灰度共生矩陣計(jì)算問題的分析 [ J] . 電子學(xué)報(bào) , 20xx, 34( 1) : 55159. 高 士忠 ． 基于 灰 度 共 生 矩陣 的 織 物 紋 理 分 析 ［ J］ ． 計(jì)算機(jī) 工程 與 設(shè) 計(jì)， 20xx， 29( 16) : 4385 － 4388． 許 漫 坤 ， 平 西 建 ． 基于 譜 直 方 圖 和 SOFM 網(wǎng)絡(luò) 的 紋 理 分類 ［ J］ ． 計(jì)算機(jī) 工程 與 應(yīng)用 ， 20xx － 2: 90 － 93． MATLAB 從入門到精通 /劉保柱，蘇彥華，張宏林編著 .— 2 版（修訂本） .— 北京：人民郵電出版社， （ 重?。?ISBN 9787115226365 鐘樺 , 張小華 , 焦李成 . 數(shù)字水印與圖像認(rèn)證 —— 算法及應(yīng)用 [ M] . 西安 : 西安電子科技大學(xué)出版社 , 20xx. 王艷輝 , 王相海 . 用于圖像認(rèn)證的數(shù)字水印技術(shù)綜述 [ J] . 計(jì)算機(jī)工程與應(yīng)用 , 20xx, 43( 2) : 3336. 郭德軍 , 宋蟄存 , 基于灰度共生矩陣的紋理影像分類研究 . 林業(yè)機(jī)械與木工設(shè)備 , 明冬萍 ， 駱劍乘 ， 沈占鋒 ． 基于 GMRF_SVM 的高分辨率遙感影像目標(biāo)區(qū)域劃分方法 ［ J］． 測(cè)繪科學(xué) ， 20xx， 34( 2) : 33 37． 李強(qiáng)麗 ． 用遺傳算法解決建筑中日照采光設(shè)計(jì)問題 ［ D］ ． 北京 : 北京工業(yè)大學(xué) ， 20xx． 24 附 錄 提取紋理特征的主要代碼 /*灰度共生矩陣 */ void glcmFun() { int i,j。在本文中所用到的 90 樣本（其中矮腥與網(wǎng)腥各 45 個(gè)樣本）當(dāng)中，把 72 個(gè)樣本用于支持向量機(jī)的訓(xùn)練，形成分類系統(tǒng)，剩下的用于分類，由輸出的結(jié)果了以看出：用于訓(xùn)練的樣本有 16 個(gè)樣本沒能正確分離；而 18 個(gè)分類樣本都正確分類出來了，分類準(zhǔn)確率是 %。 經(jīng)過反復(fù)推敲，矮腥與網(wǎng)腥召回率不高一方面是因?yàn)檫@兩種病菌本來就是近親物種，十分相似，無論是形狀、顏色、紋理等各方面都是“難舍難分”的，另一方面是對(duì)樣本圖片的預(yù)處理還不到位，對(duì)圖像的分割不夠好，以至于得到的紋理特征并不完全是這兩種病 菌的純特征，是混有圖片底層“雜質(zhì)”的特征，從而對(duì)分類影響比較大。 CVI 與 MATLAB 混合編程的工作界面如下面圖 7 所示： 20 圖 7 CVI 與 MATLAB 混合編程界面 本次設(shè)計(jì)所用的是矮腥和網(wǎng)腥這兩種植物病菌圖像，它們十分相似，所用的樣本數(shù)量有九十幾個(gè)，經(jīng)過不斷努力最終分類精確度提高到百分之七十二。其中， MATLABName 為 MATLAB 中存儲(chǔ)該矩陣的變量名。 /*向 MATLAB 發(fā)送矩陣函數(shù)。其中， CVIstring 為要發(fā)送的字符串的變量名，matStringName 為 MATLAB 中存儲(chǔ)該字符串的變量名。 /* 運(yùn)行 MATLAB 中的 *.m（ M 腳本文件 ） ，也就是用戶在 MATLAB 編寫的工程文件。 /* 關(guān)閉 MATLAB 窗口函數(shù)。 LabWindows／ CVI與 MATLAB混合編程的主要代碼如下： /* 打開 MATLAB 窗口的函數(shù)，其中 hMatlab 是 MATLAB 應(yīng)用對(duì)象的句柄。經(jīng)過面板設(shè)計(jì)和源代碼編寫后就可創(chuàng)建并保存工程文件了。 ② 由 CVI\samples\activex\\matlab打開 ActiveX服務(wù)函數(shù) ,將 自帶的 MATLAB注冊(cè)碼 ： GUID clsid = { 0x669CE94,0x6E22,0x11CF， 0xA4， 18 0xD6,0x0,0xA0,0x24,0x58,0x3C， 0x19}改寫為： GUID clsid={0x554F6053， Ox79D4， 0xl1D4， 0xBo， 0x67， 0xO， 0xg0， 0x27， 0xBA，0xSf， Ox81}； 以上兩種方法得到的 ActiveX服務(wù)函數(shù)的功能是一樣的，即包含了 LabWindows／ CVI與 MATLAB的混合編程所要用到的最基本的功能函數(shù)，包括打開 MATLAB函數(shù)、關(guān)閉MATLAB函數(shù)、發(fā)送矩陣函數(shù)、接收矩陣函數(shù)、運(yùn)行 MATLAB功能的函數(shù)及 MATLAB窗口最大／最小化函數(shù)等。 ⑵ 利用 LabWindows／ CAI自帶的 ActiveX服務(wù)函數(shù)進(jìn)行接口通信。七步驟如下： ① 打開 LabWindows／ CVI 窗口中選擇 ToolsCreate ActiveX Controller，彈出ActiveX Controller WizardWele 對(duì)話框，單擊“ Next”，會(huì)在 ActiveX Controller WizardWele Server 中列表顯示系統(tǒng)已安裝的 ActiveX Server，在列表中選擇“ Matlab Automation Server Type Library”選項(xiàng)。 LabWindows／ CVI 與 MATLAB 混很編程 LabWindows／ CVI 調(diào)用 MATLAB，實(shí)際上就是實(shí)現(xiàn) LabWindows／ CVI 和 MATLAB的混合編程，實(shí)現(xiàn)兩種不同的程序開發(fā)平臺(tái)有一些不同的方法，在眾多實(shí)現(xiàn)方法當(dāng)中，我們當(dāng)然想到最便捷最可靠的方法了，那就是在 LabWindows／ CVI 中創(chuàng)建 ActiveX控件，通過這一個(gè)控件就可以實(shí)現(xiàn)與 MATLAB混合編程了。 %對(duì)石紋 和樹皮的分類結(jié)果如下圖 6 所示： 16 圖 6 分類結(jié)果 %分類準(zhǔn)確率的估算； classperf(cp,classes,test)。,true)。,groups， 20/100)。 svm分類器的工作界面如下圖 4 所示： 圖 4 svm分類器工作界面 對(duì)圖像紋理進(jìn)行分類的主要代碼如下： %讀取紋理特征數(shù)據(jù)； load matlab 15 %提取原始數(shù)據(jù) meas 的第一和第二列數(shù)據(jù)，放到 data 中； data=[meas(:,1),meas(:,2)]。 cvi 的界面如下面圖 2 所示： 圖 2 紋理特征提取工作界面 由 cvi輸出的 exl文檔如圖 3 所示： 14 圖 3 cvi獲得的腥黑穗病紋理特征數(shù)據(jù) 由于 cvi 軟件一次性只能處理 15 張圖片，故而實(shí)驗(yàn)中只 是輸入了 12 張圖片，并提取出了這 12 張圖片相對(duì)應(yīng)的紋理特征值。本文運(yùn)用LabWindows／ CVI 和 MATLAB 獨(dú)立開來進(jìn)行樹皮紋理和石紋的分類。所以，本文運(yùn)用 LabWindows／ CVI 和 MATLAB 兩種開發(fā)平臺(tái)來共同實(shí)現(xiàn)支持向量機(jī)這一種分類算法的實(shí)現(xiàn)。 由以上描述看出，小麥網(wǎng)腥和小麥矮腥兩種種黑穗病菌的冬孢子在顏色、形狀和紋理特征方面都有區(qū)別，但是特征值間也存在重疊，因此，我們還需要通過詳細(xì)的特征分析來確定能用于病菌分類的有效特征。冬孢子表面有網(wǎng)狀紋，網(wǎng)眼寬 24 微米，網(wǎng)脊高 微米。 方差 （ variance） 計(jì)算公式如式 （ 15） 錯(cuò)誤 !未找到引用源。 (13) 反映圖像紋理的同質(zhì)性，度量圖像紋理局部變化的多少。 錯(cuò)誤 !未找到引用源。 自相關(guān) （ correlation） 計(jì)算公式如式（ 11）和（ 12）所示 錯(cuò)誤 !未找到引用源。 熵 （ entropy） 計(jì)算公式如式 （ 10） 錯(cuò)誤 !未找到引用源。因此連續(xù)灰度的圖像會(huì)有較大 IDM 值?；叶炔罴磳?duì)比度大的象素對(duì)越多，這個(gè)值越大。 (8) 如果偏離對(duì)角線的元素有較大值，即圖像亮度值變化很快，則 CON 會(huì)有較大取值，這也符合對(duì)比度的定義。如果共生矩陣的所有值均相等，則 ASM 值小；相反，如果其中一些值大而其它值小，則 ASM 值大。 通常可以用一些標(biāo)量來表征灰度共生矩陣的特征，令 G 表示灰度共生矩陣常用的特征有 : ASM 能量（ angular second moment）計(jì)算公式如式 （ 7） 錯(cuò)誤 !未找到引用源。 （ a， b） 取值要根據(jù)紋理周期分布的特性來選擇，對(duì)于較細(xì)的紋理，選取 （ 1， 0）、（ 1， 1）、（ 2， 0） 等小的差分值。 取圖像 (NN)中任意一點(diǎn) （ x， y） 及偏離它的另一點(diǎn) （ x+a， y+b） ，設(shè)該點(diǎn)對(duì)的灰度值為 （ g1， g2） 。其中統(tǒng)計(jì)分析方法、幾何特征方法和信號(hào)處理方法在紋理分析中因?yàn)樘岢鲚^早，所以 影響很大。紋理檢索是研究關(guān)于利用紋理相似度進(jìn)行圖像檢索，是基于內(nèi)容的圖像檢索 (Contentbased Image Retrieval,CBIR)的一個(gè)很重要的研究?jī)?nèi)容。例如，一幅衛(wèi)星圖像中的一個(gè)特定區(qū)域可能屬于農(nóng)田、森林或城區(qū)。非 常容易理解，同樣的基元由于排列方式的不同，有可能構(gòu)成不同的紋理。 雖然紋理研究者提出了各種各樣的紋理定義，這些定義都具有兩個(gè)方面 :一是紋理可以理解為由基元組成 :二是紋理基元具有一定的排列關(guān)系。Haralick 則認(rèn)為圖像紋理可以通過紋理基元及其空間組織或布局來描述 。盡管從紋理研究初期起就有許多紋理方面的研究成果，然而到目前為止，在計(jì)算機(jī)視覺研究文獻(xiàn)中還沒有一個(gè)大家都能接受的精確定義。 紋理的形成 由于物體表面的物性特征不同，反映在圖像上，表現(xiàn)為亮度、顏色的變化。,true)。showplot39。holdOut39。 支持向量機(jī)的編程實(shí)現(xiàn) 由于 matlab 有自帶的 SVM 函數(shù) svmtrain 和 svmclassify，因此本次設(shè)計(jì)直接在 matlab開發(fā)環(huán)境下完成圖像的分類。設(shè)計(jì)基于 SVM的二分類器 , 就是在 Z 中尋找一定意義下的最優(yōu)超平面 〈 w, Φ(x) 〉 b = 0。 這一切要?dú)w功于核函數(shù)的展開和計(jì)算理論 。 支持向量機(jī)的原理 SVM 方法是通過一個(gè)非線性 映射 ，把 樣本空間映射 到一個(gè) 高維 乃至無窮維的特征空間中 ， 使得在原來的 樣本空間 中非線性可分的問題轉(zhuǎn)化為在特征空間中的線性可分的問題 。 3. 算法將實(shí)際問題通過非線性變換轉(zhuǎn)換到高維的特征空間 (Feature Space)，在高維空間中構(gòu)造線性判別函數(shù)來實(shí)現(xiàn)原空間中的非線性判別函數(shù)，特殊性質(zhì)能保證機(jī)器有較好的推廣能力，同時(shí)它巧妙地解決了維數(shù)問題，其算法復(fù)雜度與樣本維數(shù)無關(guān)。 啞變量 ， SVM 可以應(yīng)用與分類數(shù)據(jù)。 支持向量機(jī)的一般特征 學(xué)習(xí)問題可以表示為凸 優(yōu)化問題，因此可以利用已知的有效算法發(fā)現(xiàn)目標(biāo)函數(shù)的全局最小值。流程見圖 1。本文主要是綜合利用這些方法來進(jìn)行不同病害的識(shí)別，把它們應(yīng)用到小麥的幾種腥黑穗病病害的識(shí)別方面。圖像處理和識(shí)別技術(shù)在各方面的應(yīng)用都已經(jīng)比較成熟，在對(duì)玉米、黃瓜、甘蔗的病害識(shí)別中，用到的方法和流程都是類似的。 陳衛(wèi)東，劉素華（ 20xx）針對(duì)模式識(shí)別時(shí)，提取的特征參數(shù)量大而又有冗余的現(xiàn)象，提出了基于遺傳算法的特征選擇方法。 趙玉霞，王克如，白中英等（ 20xx）利用貝葉斯方法對(duì)玉米葉部病害圖像進(jìn)行識(shí)別，根據(jù)銹病、彎孢菌葉斑病、灰斑病、小斑病及褐斑病等五種玉米病斑圖像的實(shí)際情況 ,在